Hierarchische Graphen-Pooling mit Struktur-Learning

Graph Neural Networks (GNNs), die tiefe neuronale Netzwerke auf graphenstrukturierte Daten verallgemeinern, haben erhebliche Aufmerksamkeit erregt und in zahlreichen graphenbasierten Aufgaben state-of-the-art Ergebnisse erzielt. Allerdings konzentrieren sich bestehende GNN-Modelle hauptsächlich auf die Entwicklung von Graph-Faltungoperationen. Graph-Pooling- (oder Downsampling-)Operationen, die eine entscheidende Rolle beim Lernen hierarchischer Darstellungen spielen, werden oft vernachlässigt. In diesem Artikel stellen wir einen neuartigen Graph-Pooling-Operator namens Hierarchical Graph Pooling with Structure Learning (HGP-SL) vor, der in verschiedene Architekturen von Graph Neural Networks integriert werden kann. HGP-SL vereint Graph-Pooling und Struktur-Lernen in einem einheitlichen Modul, um hierarchische Darstellungen von Graphen zu generieren. Genauer gesagt wählt die Graph-Pooling-Operation adaptiv eine Teilmenge von Knoten aus, um einen induzierten Teilgraphen für die nachfolgenden Schichten zu bilden. Um die Integrität der topologischen Struktur des Graphen zu bewahren, führen wir zusätzlich einen Struktur-Lernmechanismus ein, der eine verfeinerte Graphenstruktur für den gepoolten Graphen in jeder Schicht lernt. Durch die Kombination des HGP-SL-Operators mit Graph Neural Networks realisieren wir eine Graph-Level-Darstellungslernung, wobei der Fokus auf der Graph-Klassifikation liegt. Experimentelle Ergebnisse auf sechs weit verbreiteten Benchmarks belegen die Wirksamkeit unseres vorgeschlagenen Modells.